تشخیص و جداسازی ضایعات مغزی بیماری ms در تصاویر mr مغزی
پایان نامه
- دانشگاه تربیت معلم - سبزوار - دانشکده مهندسی برق و کامپیوتر
- نویسنده فاطمه اقتداری
- استاد راهنما جواد حدادنیا
- سال انتشار 1393
چکیده
مالتیپل اسکلروز یا ام اس (ms) یک بیماری التهابی سیستم اعصاب مرکزی است. در اطراف فیبرهای عصبی یک بافت چربی به نام میلین وجود دارد که هدایت الکتریکی پالس های عصبی توسط فیبرهای عصبی تسریع می کند. ام اس هنگامی در بدن آغاز می شود که گلبول های سفید که نقش دفاعی در بدن دارند، به میلین که نقش حفاظتی برای رشته های عصبی دارد، بجای یک عامل بیگانه، حمله می کنند. وقتی میلین یا خود فیبر عصبی، آسیب دیده یا تخریب می شود، توانایی اعصاب در هدایت ایمپالس های الکتریکی از مغز به اندام و بالعکس دچار اختلال می گردد. یکی از مهمترین وسیله های تشخیص و پیگیری پیشرفت این بیماری و بررسی اثربخشی درمان در بیماران مبتلا به ام اس استفاده از mri می باشد. با این روش می توان از وجود پلاک های جدید و یا افزایش اندازه و تعداد آن ها در بیمار مطلع شد. اما بررسی و تفسیر تعداد بسیار زیادی از تصاویر mr کاری بسیار دشوار و زمانبر، برای پزشک بوده و در این راه احتمال وقوع خطاهای انسانی بسیار زیاد است. همچنین بررسی میزان پیشرفت بیماری و مقایسه دو تصویر برداری mri بسیار دشوار است. لذا امروزه نیاز به استفاده از روشهایی که بتوانند به صورت خودکار به جداسازی ضایعات مغزی بیماری ms بپردازد، بسیار احساس می شود. در این مطالعه سعی خواهد شد تا به شرح مختصری از انواع روشهای موجود برای تشخیص و ناحیه بندی ضایعات مغزی بیماری ام اس پرداخته شود. تاریخچه مختصری از کارهای انجام شده در این زمینه تا کنون ارائه و روش پیشنهادی به طور کامل شرح داده شود و کارایی روش ارائه شده با سایر روشهای موجود مقایسه شود.
منابع مشابه
روشی جدید جهت بخشبندی ضایعات مالتیپل اسکلروزیس (MS) در تصاویر MR مغزی
بخشبندی ضایعات مالتیپل اسکلروزیس (MS) در تصاویر MR مغزی به منظور کمک به تشخیص و پیگیری این بیماری در سالهای اخیر مورد توجه قرار گرفته است. در این مطالعه از مدل ترکیب گوسی (GMM) برای قطعهبندی ضایعات MS در تصاویر MR استفاده شد. به منظور بهینهسازی GMM از الگوریتم بیشینهسازی امید ریاضی (EM) استفاده میشود اما این الگوریتم معمولاً به یک نقطه بهینه محلی همگرا میشود که برای رهایی از گیر افتادن در ...
متن کاملروشی جدید جهت بخشبندی ضایعات مالتیپل اسکلروزیس (MS) در تصاویر MR مغزی
بخشبندی ضایعات مالتیپل اسکلروزیس (MS) در تصاویر MR مغزی به منظور کمک به تشخیص و پیگیری این بیماری در سالهای اخیر مورد توجه قرار گرفته است. در این مطالعه از مدل ترکیب گوسی (GMM) برای قطعهبندی ضایعات MS در تصاویر MR استفاده شد. به منظور بهینهسازی GMM از الگوریتم بیشینهسازی امید ریاضی (EM) استفاده میشود اما این الگوریتم معمولاً به یک نقطه بهینه محلی همگرا میشود که برای رهایی از گیر افتادن در ...
متن کاملروشی جدید جهت بخش بندی ضایعات مالتیپل اسکلروزیس (ms) در تصاویر mr مغزی
بخش بندی ضایعات مالتیپل اسکلروزیس (ms) در تصاویر mr مغزی به منظور کمک به تشخیص و پیگیری این بیماری در سالهای اخیر مورد توجه قرار گرفته است. در این مطالعه از مدل ترکیب گوسی (gmm) برای قطعه بندی ضایعات ms در تصاویر mr استفاده شد. به منظور بهینه سازی gmm از الگوریتم بیشینه سازی امید ریاضی (em) استفاده می شود اما این الگوریتم معمولاً به یک نقطه بهینه محلی همگرا می شود که برای رهایی از گیر افتادن در ...
متن کاملگزارش توبرکولوم مغزی در تشخیص افتراقی MS
Tuberculoma is one of the Causes of the space occupying lesions in brain. Its manifestations can mimic many diseases such as tumor, vasculitis, and multiple sclerosis.A Patient with brain tuberculoma secondary to epidymitis is reported. His symptoms and signs were verysimilar to the patients with multiple sclerosis. The physicians must keep in mind this disease in the differentialdiagnosis with...
متن کاملناحیه بندی ضایعات ms در تصاویر mr
در بیماری(multiple sclerosis) ms ، سیستم ایمنی بدن به بافت اطراف فیبرهای عصبی (آکسون) حمله می کند و با تخریب قسمت هایی از میلین باعث ایجاد نقاطی به نام پلاک بر روی اعصاب می شود. تشخیص زودهنگام بیماری ms و برآورد حجم ضایعات، گامی مهم در فرآیند درمان این بیماری محسوب می شود. یکی از مهمترین وسیله های تشخیص و پیگیری پیشرفت بیماری msاستفاده از روش تصویربرداری تشدید مغناطیسی (mri) است. اما تشخیص و نا...
تفکیک غیرخطی تصاویر وزن دار مغزی به منظور تشخیص بیماری آلزایمر
در این مقاله روشی برای تشخیص بیماری آلزایمر پیشنهاد شده است که با استفاده از تحلیل تصاویر MR مغزی، شامل دو گروه وزن دار با T1 و وزن دار با T2، افراد بیمار را شناسایی می کند. با توجه به تفاوت های ماهیتی میان تصاویر وزن دار باT1 و وزن دار با T2، ویژگی های متفاوتی را از آنها استخراج نموده، سپس با بررسی مقادیر ویژه حاصل از این ویژگی ها، ابعاد فضای آنالیز را کاهش دادیم و خروجی را به دو تفکیک کننده غ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
دانشگاه تربیت معلم - سبزوار - دانشکده مهندسی برق و کامپیوتر
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023